| Pantanal ¶

1.1 | Importando pacotes usados ¶

In [ ]:
import numpy as np
import pandas as pd
import plotly.express as px
from plotly.subplots import make_subplots
import plotly.graph_objects as go
import plotly.io as pio
In [ ]:
import plotly.io as pio
pio.renderers
Out[ ]:
Renderers configuration
-----------------------
    Default renderer: 'plotly_mimetype+notebook'
    Available renderers:
        ['plotly_mimetype', 'jupyterlab', 'nteract', 'vscode',
         'notebook', 'notebook_connected', 'kaggle', 'azure', 'colab',
         'cocalc', 'databricks', 'json', 'png', 'jpeg', 'jpg', 'svg',
         'pdf', 'browser', 'firefox', 'chrome', 'chromium', 'iframe',
         'iframe_connected', 'sphinx_gallery', 'sphinx_gallery_png']
In [ ]:
pio.renderers.default = "notebook"

1.2 | Funções usadas ¶

In [ ]:
def equivalencia_linha(tabulacao_cruzada):
    """Essa função determina as esquivalências por linha entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_linha = []
    for index, row in tabulacao_cruzada.iterrows():
        max_row = row.sort_values(ascending=False)
        mapeamento_linha.append(tabulacao_cruzada.loc[: , max_row.index[0]])
    
    mapeamento_linha = pd.DataFrame(data=mapeamento_linha)
    
    linhas = mapeamento_linha.index.tolist()
    colunas = mapeamento_linha.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_linha = pd.DataFrame(data_tuples, columns=['Quarto_Inventario','MapBiomas'])
    
    for i in range(len(mapeamento_linha)):
        mapeamento_linha.loc[i, "Size"] = tabulacao_cruzada.loc[(mapeamento_linha["Quarto_Inventario"][i])].max()
        
    return mapeamento_linha
In [ ]:
def equivalencia_coluna(tabulacao_cruzada):
    """Essa função determina as esquivalências por coluna entre dois mapas de uso e cobertura da terra (UTC).
        Recebe como entrada uma matriz de tablução cruzada entre os dois mapas.
    """
    
    mapeamento_coluna = []
    for column in range(0, tabulacao_cruzada.shape[1]):
        max_column = tabulacao_cruzada.iloc[:, column].sort_values(ascending=False)
        mapeamento_coluna.append(tabulacao_cruzada.loc[max_column.index[0], :])
    
    mapeamento_coluna = pd.DataFrame(data=mapeamento_coluna)
    
    linhas = mapeamento_coluna.index.tolist()
    colunas = mapeamento_coluna.columns.tolist()
    data_tuples = list(zip(colunas, linhas))
    mapeamento_coluna = pd.DataFrame(data_tuples, columns=['MapBiomas', 'Quarto_Inventario'])
    
    mapeamento_coluna.loc[:, ("Size")] = 0
    
    for i in range(len(mapeamento_coluna)):
         mapeamento_coluna.loc[i, "Size"] = tabulacao_cruzada.loc[:, (mapeamento_coluna["MapBiomas"][i])].max()
        
    return mapeamento_coluna
In [ ]:
def legenda_harmonizada(mapeamento_linha, mapeamento_coluna):
    """
        Determina a harmonização das legendas a partir das harmonizações por linha e por coluna.
    """
    
    legenda = pd.merge(equivalencias_linha, equivalencias_coluna, how="outer")
    
    return legenda
In [ ]:
def nodify(node_names):
    '''
        Cria os nódulos para agrupar cada legendas em uma coluna a partir da legenda gerada
        pela função harmonizacao_2_sankey e geras as cores de cada nódulo por coluna.
    '''
    # uniqe name endings
    ends = sorted(list(set([e[-1] for e in node_names])))
    
    # intervals
    steps = 0

    # x-values for each unique name ending
    # for input as node position
    nodes_x = {}
    node_colors = {}
    xVal = 0
    for e in ends:
        if e != " ":
            nodes_x[str(e)] = xVal
            xVal += steps + 0.3
        else:
            nodes_x[str(e)] = xVal
            xVal += steps
            
    for e in ends:
        if e != "'":
            node_colors[str(e)] = '#84caa0'
        else:
            node_colors[str(e)] = '#37986a'

    # x and y values in list form
    x_values = [nodes_x[n[-1]] for n in node_names]
    y_values = [0.01]*len(x_values)
    
    node_colors = [node_colors[n[-1]] for n in node_names]
    
    return x_values, y_values, node_colors
In [ ]:
def df_2_sankey(df,cols,values,hover_value=None):
    """ 
        Helper function to convert a dataframe of relationships to 
        Plotly Sankey format.
    """
    colors = ['#D0EDA6','#EDEF7B','#EF7B84','#00308f','#eedc82','#c66']
    out = df.copy()
    entities = dict()
    vals_ = [values,hover_value]
    try: 
        vals_.remove(None)
    except:
        pass
    
    # get dict of uid for each entity in each level from 0...n
    for n,c in enumerate(cols):
        if n == 0:
            out[f'{c}_'] = pd.factorize(out[c])[0]
        else:
            out[f'{c}_'] = pd.factorize(out[c])[0] + (out[f'{cols[n-1]}_'].max()+1)
        entities[n] = dict(out[[cols[n]+'_',cols[n]]].values)

    # create df edge list between source,targets
    edge_list = list()
    for i in range(0, len(cols), 1):
        slice_ = cols[i:i+2]
        if len(slice_)==2:
            el_ = out.groupby([f'{c}_' for c in slice_],as_index=False)[vals_].sum()
            el_.columns = ['source','target']+vals_
            edge_list.append(el_)
    edge_list = pd.concat(edge_list,ignore_index=True)

    # Sankey node definitions are simply the ordered uid/names of each entity 
    labels = [v[i] for k,v in entities.items() for i in v] # use v[i] for name, i for uid
    node_colors = [colors[k] for k in entities.keys() for i in entities[k]]

    # Sankey edge definitions
    source = list(edge_list['source'])
    target = list(edge_list['target'])
    values = list(edge_list[values])
    
    if hover_value is None:
        hover_values = list()
    else:
        hover_values = list(edge_list[hover_value])
    if len(source) == len(target) == len(values):
        return edge_list,entities,labels,node_colors,source,target,values,hover_values
    else:
        raise Exception('Output test fail: lists are of unequal lengths')
In [ ]:
def harmonizacao_2_sankey(df):
    """
    Gera os outputs necessários para gerar o diagrama de Sankey via plotly para a legenda harmonizada.
    """      
    equivalencias_linha = equivalencia_linha(df)
    _df = pd.DataFrame()
    _df["source"] = equivalencias_linha["Quarto_Inventario"] + "!"
    _df["target"] = equivalencias_linha["MapBiomas"] + "'"
    _df["value"] = equivalencias_linha["Size"]
    
    equivalencias_coluna = equivalencia_coluna(df)
    _df2 = pd.DataFrame()
    _df2["source"] = equivalencias_coluna["MapBiomas"] + "'"
    _df2["target"] = equivalencias_coluna["Quarto_Inventario"].astype(str) + " "
    _df2["value"] = equivalencias_coluna["Size"]
    
    _df = pd.concat([_df, _df2], ignore_index=True)
    
    legendas = pd.concat([_df['source'], _df['target']])
    legendas = legendas.unique()
    legenda = {x: index for index, x in enumerate(legendas)}
    
    nodified_x, nodified_y, node_colors = nodify(legendas)
    
    source = []
    target = []
    value = []
    for linha in _df.iterrows():
        source.append(legenda.get(linha[1].source))
        target.append(legenda.get(linha[1].target))
        value.append(linha[1].value)
    
    return legendas, source, target, value, node_colors, nodified_x, nodified_y

1.3 | Legendas dos mapas de acordo com os valores de pixel ¶

In [ ]:
mapbiomas_col7_legenda = {
    1 : "Floresta",
    3 : "Formação Florestal",
    4 : "Formação Savânica",
    5 : "Mangue",
    49 : "Restinga Arborizada",
    10 : "Formação Natural não Florestal",
    11 : "Campo Alagado e Área Pantanosa",
    12 : "Formação Campestre",
    32 : "Apicum",
    29 : "Afloramento Rochoso",
    50 : "Restinga Herbácea",
    13 : "Outras Formações não Florestais",
    14 : "Agropecuária",
    15 : "Pastagem",
    18 : "Agricultura",
    19 : "Lavoura Temporária",
    39 : "Soja",
    20 : "Cana",
    40 : "Arroz (beta)",
    62 : "Algodão (beta)",
    41 : "Outras Lavouras Temporárias",
    36 : "Lavoura Perene",
    46 : "Café",
    47 : "Citrus",
    48 : "Outras Lavouras Perenes",
    9 : "Silvicultura",
    21 : "Mosaico de Usos",
    22 : "Área não Vegetada",
    23 : "Praia, Duna e Areal",
    24 : "Área Urbanizada",
    30 : "Mineração",
    25 : "Outras Áreas não Vegetadas",
    26 : "Corpo D'água",
    33 : "Rio, Lago e Oceano",
    31 : "Aquicultura",
    27 : "Não Observado"
}

quarto_inventario_legenda = {
    1 : "Floresta manejada (FM)",
    2 : "Floresta não manejada (FNM)",
    3 : "Floresta secundária (FSec)",
    4 : "Corte seletivo (CS)",
    5 : "Reflorestamento (Ref)",
    6 : "Campo manejado (GM)",
    7 : "Campo não manejado (GNM)",
    8 : "Campo secundário (GSec)",
    9 : "Pastagem (Ap)",
    10 : "Pastagem degradada (APD)",
    11 : "Outras formações lenhosas manejadas (OFLM)",
    12 : "Outras formações lenhosas não manejadas (OFLNM)",
    13 : "Outras formações lenhosas secundárias (OFLSec)",
    14 : "Agricultura anual  (AC)",
    15 : "Agricultura perene (PER)",
    16 : "Agricultura semiperene  (CANA)",
    17 : "Água (A)",
    18 : "Reservatório (Res)",
    19 : "Assentamento (S)",
    20 : "Dunas manejadas (DnM)",
    21 : "Dunas não manejadas (DnNM)",
    22 : "Afloramento rochoso manejado (ArM)",
    23 : "Afloramento rochoso não manejado (ArNM)",
    24 : "Mineração (Min)",
    25 : "Solo exposto (SE)",
    26 : "Áreas não observadas (NO)"
}

1.4 | Carregando os dados ¶

In [ ]:
df = pd.read_csv("../confusion_matrix/tab_cruz_pantanal.csv", index_col="Unnamed: 0")

df.head()
Out[ ]:
0.0 3.0 4.0 9.0 11.0 12.0 15.0 20.0 21.0 23.0 24.0 25.0 30.0 33.0 39.0 41.0 255.0
0.0 112739025 0 0 0 0 0 0 0 0 0 0 0 0 0 0 0 98669950
1.0 0 1812702 593091 289 1380254 1238269 43078 0 2045 0 0 82 0 224970 25 0 2687
2.0 0 20699540 12054473 6156 7786402 13631212 3063790 191 134100 1 2047 1844 14842 840657 603 2241 22360
3.0 0 310391 284018 328 183448 324166 134515 23 5293 0 272 23 187 6017 16 177 40
5.0 0 8507 8679 156971 615 362 52740 0 7305 0 2 45 0 37 7 499 0

1.5 | Tratando os dados ¶

In [ ]:
df.shape
Out[ ]:
(19, 17)
In [ ]:
df.index
Out[ ]:
Index([ 0.0,  1.0,  2.0,  3.0,  5.0,  6.0,  7.0,  8.0,  9.0, 11.0, 12.0, 13.0,
       14.0, 15.0, 16.0, 17.0, 18.0, 19.0, 24.0],
      dtype='float64')
In [ ]:
df.columns
Out[ ]:
Index(['0.0', '3.0', '4.0', '9.0', '11.0', '12.0', '15.0', '20.0', '21.0',
       '23.0', '24.0', '25.0', '30.0', '33.0', '39.0', '41.0', '255.0'],
      dtype='object')
In [ ]:
df = df.drop(index=0.0, columns=["0.0", "255.0"])


df.head()
Out[ ]:
3.0 4.0 9.0 11.0 12.0 15.0 20.0 21.0 23.0 24.0 25.0 30.0 33.0 39.0 41.0
1.0 1812702 593091 289 1380254 1238269 43078 0 2045 0 0 82 0 224970 25 0
2.0 20699540 12054473 6156 7786402 13631212 3063790 191 134100 1 2047 1844 14842 840657 603 2241
3.0 310391 284018 328 183448 324166 134515 23 5293 0 272 23 187 6017 16 177
5.0 8507 8679 156971 615 362 52740 0 7305 0 2 45 0 37 7 499
6.0 55096 40909 0 174693 209181 344 0 442 0 0 0 0 144451 0 0

1.6 | Mapeando os nomes das classes ¶

In [ ]:
classes_mapa1 = df.columns.astype(float)
classes_mapa2 = df.index

# Mapeando os valores de pixels com os nomes das classes
mapa1_legenda = list(map(mapbiomas_col7_legenda.get, classes_mapa1))
mapa2_legenda = list(map(quarto_inventario_legenda.get, classes_mapa2))
In [ ]:
mapa1_legenda
Out[ ]:
['Formação Florestal',
 'Formação Savânica',
 'Silvicultura',
 'Campo Alagado e Área Pantanosa',
 'Formação Campestre',
 'Pastagem',
 'Cana',
 'Mosaico de Usos',
 'Praia, Duna e Areal',
 'Área Urbanizada',
 'Outras Áreas não Vegetadas',
 'Mineração',
 'Rio, Lago e Oceano',
 'Soja',
 'Outras Lavouras Temporárias']
In [ ]:
mapa2_legenda
Out[ ]:
['Floresta manejada (FM)',
 'Floresta não manejada (FNM)',
 'Floresta secundária (FSec)',
 'Reflorestamento (Ref)',
 'Campo manejado (GM)',
 'Campo não manejado (GNM)',
 'Campo secundário (GSec)',
 'Pastagem (Ap)',
 'Outras formações lenhosas manejadas (OFLM)',
 'Outras formações lenhosas não manejadas (OFLNM)',
 'Outras formações lenhosas secundárias (OFLSec)',
 'Agricultura anual  (AC)',
 'Agricultura perene (PER)',
 'Agricultura semiperene  (CANA)',
 'Água (A)',
 'Reservatório (Res)',
 'Assentamento (S)',
 'Mineração (Min)']
In [ ]:
# Renomeando linhas e colunas de acordo com as classes 
df.columns = mapa1_legenda
df.index = mapa2_legenda

df.head()
Out[ ]:
Formação Florestal Formação Savânica Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal Área Urbanizada Outras Áreas não Vegetadas Mineração Rio, Lago e Oceano Soja Outras Lavouras Temporárias
Floresta manejada (FM) 1812702 593091 289 1380254 1238269 43078 0 2045 0 0 82 0 224970 25 0
Floresta não manejada (FNM) 20699540 12054473 6156 7786402 13631212 3063790 191 134100 1 2047 1844 14842 840657 603 2241
Floresta secundária (FSec) 310391 284018 328 183448 324166 134515 23 5293 0 272 23 187 6017 16 177
Reflorestamento (Ref) 8507 8679 156971 615 362 52740 0 7305 0 2 45 0 37 7 499
Campo manejado (GM) 55096 40909 0 174693 209181 344 0 442 0 0 0 0 144451 0 0

Convertendo os valores de pixel para milhões de hectares.

In [ ]:
df2 = df

df = round(df * 0.09 / 1000000, 2)

df.head()
Out[ ]:
Formação Florestal Formação Savânica Silvicultura Campo Alagado e Área Pantanosa Formação Campestre Pastagem Cana Mosaico de Usos Praia, Duna e Areal Área Urbanizada Outras Áreas não Vegetadas Mineração Rio, Lago e Oceano Soja Outras Lavouras Temporárias
Floresta manejada (FM) 0.16 0.05 0.00 0.12 0.11 0.00 0.0 0.00 0.0 0.0 0.0 0.0 0.02 0.0 0.0
Floresta não manejada (FNM) 1.86 1.08 0.00 0.70 1.23 0.28 0.0 0.01 0.0 0.0 0.0 0.0 0.08 0.0 0.0
Floresta secundária (FSec) 0.03 0.03 0.00 0.02 0.03 0.01 0.0 0.00 0.0 0.0 0.0 0.0 0.00 0.0 0.0
Reflorestamento (Ref) 0.00 0.00 0.01 0.00 0.00 0.00 0.0 0.00 0.0 0.0 0.0 0.0 0.00 0.0 0.0
Campo manejado (GM) 0.00 0.00 0.00 0.02 0.02 0.00 0.0 0.00 0.0 0.0 0.0 0.0 0.01 0.0 0.0

2.1 | Análise dos dados ¶

2.1.1 | Tabulação Cruzada ¶

In [ ]:
results = []
for p_key, values in df.items():
    for key, value in values.items():
        results.append({"source": p_key, "target": key, "value": value})
        # print(p_key, key, value)

df_list = pd.DataFrame(results, columns=['target', 'source', 'value'])
df_list
Out[ ]:
target source value
0 Floresta manejada (FM) Formação Florestal 0.16
1 Floresta não manejada (FNM) Formação Florestal 1.86
2 Floresta secundária (FSec) Formação Florestal 0.03
3 Reflorestamento (Ref) Formação Florestal 0.00
4 Campo manejado (GM) Formação Florestal 0.00
... ... ... ...
265 Agricultura semiperene (CANA) Outras Lavouras Temporárias 0.00
266 Água (A) Outras Lavouras Temporárias 0.00
267 Reservatório (Res) Outras Lavouras Temporárias 0.00
268 Assentamento (S) Outras Lavouras Temporárias 0.00
269 Mineração (Min) Outras Lavouras Temporárias 0.00

270 rows × 3 columns

In [ ]:
fig = px.imshow(df.replace(0, None), text_auto=True, aspect="auto", height=1000, title='Matriz de Tabulação Cruzada entre os mapas (Mha)')
fig.show()
In [ ]:
fig = make_subplots(
    rows=2, cols=1,
    shared_yaxes='all',
    specs=[[{"type": "xy"}],[{"type": "xy"}]],
    subplot_titles=("<b>MapBiomas Col. 7 - pantanal<b>", "<b>Quarto Inventário Nacional - pantanal<b>")
)

fig.add_trace(go.Bar(y= df.sum(), x=df.sum().index, text=((df.sum())).astype(int).astype(str)+"Mha"),
              row=1, col=1)

fig.add_trace(go.Bar(y = df.sum(axis='columns').sort_values(ascending=False), 
                     x=df.sum(axis='columns').sort_values(ascending=False).index, 
                     text=((df.sum(axis='columns').sort_values(ascending=False))).astype(int).astype(str)+"Mha"),
              row=2, col=1)

fig.update_layout(title_text="<b>Distribuição das Classes por Mapa da Região Estudada<b>",
                  height=1000,
                  width=1200,
                  showlegend=False
                  )

fig.update_layout(barmode='stack', xaxis={'categoryorder':'total descending'})

fig.show()

2.2 | Equivalências por linha ¶

In [ ]:
equivalencias_linha = equivalencia_linha(df)
display(equivalencias_linha)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Florestal 0.16
1 Floresta não manejada (FNM) Formação Florestal 1.86
2 Floresta secundária (FSec) Formação Florestal 0.03
3 Reflorestamento (Ref) Silvicultura 0.01
4 Campo manejado (GM) Campo Alagado e Área Pantanosa 0.02
5 Campo não manejado (GNM) Formação Campestre 1.20
6 Campo secundário (GSec) Formação Campestre 0.03
7 Pastagem (Ap) Pastagem 1.80
8 Outras formações lenhosas manejadas (OFLM) Formação Campestre 0.03
9 Outras formações lenhosas não manejadas (OFLNM) Formação Campestre 1.45
10 Outras formações lenhosas secundárias (OFLSec) Formação Campestre 0.03
11 Agricultura anual (AC) Outras Lavouras Temporárias 0.01
12 Agricultura perene (PER) Formação Florestal 0.00
13 Agricultura semiperene (CANA) Formação Florestal 0.00
14 Água (A) Rio, Lago e Oceano 0.32
15 Reservatório (Res) Formação Florestal 0.00
16 Assentamento (S) Área Urbanizada 0.01
17 Mineração (Min) Formação Florestal 0.00
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_linha,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> Quarto_Inventario > MapBiomas | pantanal<b>", font_size=12)
fig.show()

2.3 | Equivalências por coluna ¶

In [ ]:
equivalencias_coluna = equivalencia_coluna(df)
display(equivalencias_coluna)
MapBiomas Quarto_Inventario Size
0 Formação Florestal Floresta não manejada (FNM) 1.86
1 Formação Savânica Floresta não manejada (FNM) 1.08
2 Silvicultura Reflorestamento (Ref) 0.01
3 Campo Alagado e Área Pantanosa Outras formações lenhosas não manejadas (OFLNM) 0.78
4 Formação Campestre Outras formações lenhosas não manejadas (OFLNM) 1.45
5 Pastagem Pastagem (Ap) 1.80
6 Cana Floresta manejada (FM) 0.00
7 Mosaico de Usos Pastagem (Ap) 0.02
8 Praia, Duna e Areal Floresta manejada (FM) 0.00
9 Área Urbanizada Assentamento (S) 0.01
10 Outras Áreas não Vegetadas Floresta manejada (FM) 0.00
11 Mineração Floresta manejada (FM) 0.00
12 Rio, Lago e Oceano Água (A) 0.32
13 Soja Floresta manejada (FM) 0.00
14 Outras Lavouras Temporárias Pastagem (Ap) 0.01
In [ ]:
edge_list,entities,labels,colors,source,target,values,hover_values = df_2_sankey(equivalencias_coluna,['MapBiomas', 'Quarto_Inventario'],values='Size')

fig = go.Figure(data=[go.Sankey(
    valueformat = ".0f",
    node = dict(
      pad = 5,
      thickness = 20,
      line = dict(color = "black", width = 0.5),
      label = labels,
      color = colors,
      customdata=hover_values,
      hovertemplate='Source: %{label}<br />'+
                    'Amount: %{value}<br />'
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A2, B1, ...
      target = target,
      value = values,
      customdata=hover_values,
      hovertemplate='Source: %{source.label}<br />'+
                    'Target: %{target.label}<br />'+
                    'Amount: %{value}<br />', 
  ))])

fig.update_layout(autosize=True,width=900,height=1200,title_text="<b> MapBiomas > Quarto_Inventario | pantanal<b>", font_size=12)
fig.show()

2.4 | Legenda Harmonizada ¶

In [ ]:
mapeamento = legenda_harmonizada(equivalencias_linha, equivalencias_coluna)
display(mapeamento)
Quarto_Inventario MapBiomas Size
0 Floresta manejada (FM) Formação Florestal 0.16
1 Floresta não manejada (FNM) Formação Florestal 1.86
2 Floresta secundária (FSec) Formação Florestal 0.03
3 Reflorestamento (Ref) Silvicultura 0.01
4 Campo manejado (GM) Campo Alagado e Área Pantanosa 0.02
5 Campo não manejado (GNM) Formação Campestre 1.20
6 Campo secundário (GSec) Formação Campestre 0.03
7 Pastagem (Ap) Pastagem 1.80
8 Outras formações lenhosas manejadas (OFLM) Formação Campestre 0.03
9 Outras formações lenhosas não manejadas (OFLNM) Formação Campestre 1.45
10 Outras formações lenhosas secundárias (OFLSec) Formação Campestre 0.03
11 Agricultura anual (AC) Outras Lavouras Temporárias 0.01
12 Agricultura perene (PER) Formação Florestal 0.00
13 Agricultura semiperene (CANA) Formação Florestal 0.00
14 Água (A) Rio, Lago e Oceano 0.32
15 Reservatório (Res) Formação Florestal 0.00
16 Assentamento (S) Área Urbanizada 0.01
17 Mineração (Min) Formação Florestal 0.00
18 Floresta não manejada (FNM) Formação Savânica 1.08
19 Outras formações lenhosas não manejadas (OFLNM) Campo Alagado e Área Pantanosa 0.78
20 Floresta manejada (FM) Cana 0.00
21 Pastagem (Ap) Mosaico de Usos 0.02
22 Floresta manejada (FM) Praia, Duna e Areal 0.00
23 Floresta manejada (FM) Outras Áreas não Vegetadas 0.00
24 Floresta manejada (FM) Mineração 0.00
25 Floresta manejada (FM) Soja 0.00
26 Pastagem (Ap) Outras Lavouras Temporárias 0.01
In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df2)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])


fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Inventário > MapBiomas > Inventário | pantanal <b>", font_size=12)
fig.show()

Aqui temos uma versão do diagrama sem considerar a quantidade de área identificada. Ele possibilita uma visão mais limpa de como ficaram as concordâncias.

In [ ]:
legendas, source, target, value, node_colors, nodified_x, nodified_y = harmonizacao_2_sankey(df)

value = [1] * len(value)

fig = go.Figure(data=[go.Sankey(
    arrangement='snap',
    node = dict(
        pad = 15,
        thickness = 20,
        line = dict(color = "black", width = 0.5),
        label = legendas,
        color = node_colors,
        x=nodified_x,
        y=nodified_y
    ),
    link = dict(
      source = source, # indices correspond to labels, eg A1, A2, A1, B1, ...
      target = target,
      value = value
  ))])

fig.update_layout(autosize=True,width=1000,height=1500,title_text="<b> Quarto Inventário > MapBiomas | pantanal <b>", font_size=12)
fig.show()

2.5 | Análise das Informações Obtidas ¶

In [ ]:
concordancia_geral = round(100 * mapeamento.loc[:, "Size"].sum() / df.to_numpy().sum(), 2)

print("A concordância geral entre os mapas foi de {}%".format(concordancia_geral), "considerando a harmonização obtida.")
A concordância geral entre os mapas foi de 55.52% considerando a harmonização obtida.